Teil 2. Teilbereiche der KI Der intelligente Agent

Transkript

1 Teil 2 Teilbereiche der KI Der intelligente Agent

2 Teil 2.1 Teilbereiche der KI

3 Zwei Paradigmen der KI subsymbolische KI Genetische Algorithmen Neuronale Netze Maschinelles Lernen Planen Wissensrepräsentation Suche Logik symbolische KI Inferenz Unterscheidungsmerkmal: Ab-/Anwesenheit einer expliziten Darstellung des im System vorhandenen Wissens. Stärken und Schwächen sind komplementär.

4 Subsymbolische Verfahren Leistungsstarke Lernverfahren. Funktionieren mit verrauschten Daten. Robust. Graceful degradation. Häufig inspiriert von Biologie. Keine deklarative Semantik. Black box. Rekursive Strukturen schwierig. Verwendung von Hintergrundwissen problematisch.

5 Symbolische Verfahren Logikbasiert. Deklarativ. Menschlichem Denken nachempfunden. Explizite Kodierung von Wissen. Hochgradig rekursiv. Lernen schwierig. Empfindlich gegenüber Rauschen. Algorithmen haben hohe theoretische Komplexität.

6 Notwendigkeit hybrider Systeme nach W. Wahlster

7 S Suchverfahren Problemlösung durch Suche in einem Zustandsraum: gesucht wird Pfad von einem Startzustand zu einem Zielzustand 3 4 nicht informierte Suche (Breiten-/Tiefensuche) informierte Suche (heuristische Suche, Optimalsuchverfahren) (un-)vollständige Kontrolle über die Zustandsübergänge (z.b. Spiele) Kostenminimierung / Gewinnmaximierung A 4 B 4 C 5 5 D 2 E 4 F 3 Z S D E F Z 13

8 Suche: Beispiel Marke Spieler A Marke Spieler B

9 Planen Erstellen einer Struktur (Abfolge) von Aktionen, deren Ausführung ein gegebenes Problem löst Unterschied zu einfacher Problemlösung (z.b. durch Suche): Repräsentation von Zuständen, Zielen und Aktionen meist in einen einheitlichen Repräsentationsformalismus eingebettet Suchraum riesig und strukturiert: Suchverfahren muss Struktur ausnutzen Reihenfolge bei der Erstellung des Plans nicht notwendigerweise inkrementell und vom Initialzustand ausgehend

10 Maschinelles Lernen Ziel: (selbständige) Aneignung von Wissen und Verbesserung der Problemlösungsfähigkeit im Laufe der Zeit Symbolische Lernverfahren: Wissen ist durch Repräsentationsmechanismen mit reichhaltiger Syntax/ Semantik kodiert induktives Lernen instanzenbasiertes Lernen (CBR) erklärungsbasiertes Lernen (EBL) Subsymbolische Lernverfahren: Wissen ist in einfachen Datenstrukturen wie z.b. Zahlen kodiert, Inferenz findet durch numerische oder einfache strukturelle Operationen statt genetische Algorithmen neuronale Netzwerke

11 Data Mining Auswertung großer, unübersichtlicher Datenmengen mit dem Ziel der Entdeckung verborgener allgemeiner Muster Beziehungen zwischen Objekten konzeptuelle oder numerische Regelmäßigkeiten oder Anomalien statistische Methoden und maschinelle Lernverfahren eingesetzt z.b. bei Data Warehouses

12 Wissensrepräsentation formale Darstellung von Wissen über einen bestimmten Bereich (Modellierung von Objekten, Beziehungen, Ereignissen,...) Begrenztes Abbild der Realität explizite Repräsentation Aussagen, Prädikate Frames, semantische Netzwerke Regeln, Produktionssysteme implizite Repräsentation Neuronale Netze, Programme Ohne Operatoren zur Verarbeitung des Wissens wertlos. Inferenzmechanismen

13 Wissensbasierte Systeme Trennung von Wissensrepräsentation und Operatoren zur Anwendung des Wissens explizite Wissensrepräsentation Problemlösungskomponente ist unabhängig vom Anwendungsbereich Wissen über einen Bereich kann unabhängig vom Rest des Systems (Operatoren zur Anwendung des Wissens) bearbeitet bzw. ausgetauscht werden Expertensystem: Modellierung des Wissens über einen bestimmten Anwendungsbereich zur Lösung spezifischer Probleme aus diesem Bereich System repräsentiert menschlichen Experten für einen bestimmten Bereich

14 Inferenz Schlussfolgerungsmechanismen, mit deren Hilfe aus bekanntem Wissen neues Wissen abgeleitet werden kann. Logische Inferenz Anwendung von Ableitungsregeln Deduktion: folgerichtiges Schließen Induktion: generalisierendes Schließen Abduktion: ursächliches Schließen Annahmen über die Welt, z.b. Closed World Assumption, (nicht) monotone Logiken Unsicherheiten (probabilistische oder unscharfe Logiken) Heuristische Inferenz Daumenregeln

15 Logische Kalküle Logik/logischer Kalkül: formales System zur Beschreibung des Wissens (Repräsentationsformalismus) Menge von Ableitungsregeln zur Herleitung logischer Folgerungen (Inferenz) Beispiele: Aussagenlogik, Prädikatenlogik, Modallogik, nichtmonotone Logiken, probabilistische Logiken, fuzzy logic

16 Fuzzy Logic Entwickelt von Lotfi Zadeh in den 60er Jahren, mit dem Ziel, bestimmte Probleme aus der klassischen Logik (Binär- Logik) zu lösen Fuzzy Logic umfasst 0 and 1 als Extremfälle eines Wahrheitswerts, aber ebenso Zwischenwerte ähnlicher zu dem, wie ein Mensch denkt Binäre Logik Fuzzy Logik... True (1) False (0) Absolute Truth (1) Absolute False (o)

17 Teil 2.2 Der intelligente Agent

18 Aktueller Trend: Agent Bisher sind noch viele KI-Systeme spezifisch auf einen Zweck ausgerichtet und berücksichtigen zumeist nur einen oder zumindest nur wenige Aspekte menschlicher Intelligenz. Nicht eingebettet in Umgebung -> kein Embodiment Angestrebt werden Systeme, die umfassender sind bzw. mehr Aspekte abdecken: weniger: riesige Systeme wie z.b. CYC (Wissensbasis mit mehr als 1 Mio. Regeln), die einen breiten Einsatz anstreben. mehr: verteilte Intelligenz mit Hilfe von Agenten, die bei Bedarf miteinander kooperieren

19 Rationaler Agent Zentrale Sichtweise im folgenden die eines Agenten: Ein Agent ist eine autonome Einheit, welche ihre Umwelt wahrnimmt und in ihr agiert. Ein rationaler Agent richtet seine Handlungen so aus, dass ein vorgegebenes Ziel möglichst gut erreicht wird. vereinfachte Formale Beschreibung durch Funktion Gesucht wird jeweils ein Agent, der die beste Performance hat (unter Wahrung bestimmter Restriktionen)

20 Rationalität Rationalität bedeutet nicht Allwissenheit Hellsichtigkeit garantierter Erfolg sondern bezieht sich auf den erwarteten (erwartbaren) Erfolg Idealer rationaler Agent versucht seine Performance zu optimieren, indem er unter Berücksichtigung der Beobachtungen aus der Umwelt und seines Wissens über dieser Umwelt entsprechende Aktionen ausführt. Performance-Maß Wahrnehmungs-Sequenzen aus der Umwelt Wissen über die Umgebung durchführbare Aktionen

21 Rationaler Agent P Percepts (Wahrnehmung) A Actions (Aktionen) G Goals (Ziele) E Environment (Umgebung)

22 Beispiel Automatisierter Taxifahrer Wahrnehmungen (Percepts) Video, Beschleunigungsmesser, GPS,... Aktionen (Actions) steuern, beschleunigen, bremsen, sprechen,... Ziele (Goals) Ort erreichen, Profit maximieren, Sicherheit, Verkehrsregeln beachten,... Umgebung (Environment) Straßen einer Stadt, Autobahn, Fußgänger, Radfahrer, Wetter,...

23 Anforderungen I Agent ist definiert in einer Umgebung und besitzt Wissen über sie: Frage nach Wissensrepräsentation Agent empfängt Nachrichten aus seiner Umwelt und handelt entsprechend Frage nach Wissensverarbeitung Agent besitzt Ziele, die er erfüllen will Frage nach Problemlösung (Wie kann das Ziel erreicht werden?) Frage der Planung von Aktionen Agent will seine Ziele möglichst gut erfüllen Frage nach Verbesserung durch Lernen

24 Anforderungen II Agent muss evtl. in einer menschlich geprägten Umgebung handeln Frage nach Interpretation von Sensordaten (Bildanalyse) Frage nach Navigation und Handhabung (Robotik) Frage nach Kommunikation mit Menschen (NLP) Agent muss evtl. herausfinden, warum etwas nicht wie geplant funktioniert hat Frage nach (Fehler-) Diagnose

25 Umgebungs-Eigenschaften Zugänglichkeit: Sind alle für eine Entscheidung notwendigen Teile der Umgebung beobachtbar? zugänglich / nicht zugänglich Determiniertheit: Bestimmt der aktuelle Zustand der Umgebung zusammen mit der gewählten Aktion eindeutig den Folgezustand? deterministisch / nicht deterministisch

26 Umgebungs-Eigenschaften Episodenhaftigkeit: Kann die Erfahrung des Agenten in einzelne Episoden (Wahrnehmung + Handlung, keine Historie) eingeteilt werden episodenhaft / nicht episodenhaft Veränderlichkeit: Kann sich die Umgebung während des Entscheidungsfindungspozesses verändern? statisch / dynamisch Auflösung: Ist der Raum der Wahrnehmungen und Aktionen diskret oder kontinuierlich? diskret / kontinuierlich

27 Beispiele Umgebung zugänglich deterministisch episodisch statisch diskret Schach ja ja nein teilw. ja Poker nein nein nein ja ja Backgammon Taxi medizinisches Diagnosesystem ja nein nein ja ja nein nein nein nein nein nein nein nein nein nein Bildanalysesystem ja ja ja teilw. ja reale Welt nein nein nein nein nein

28 Struktur eines Agenten Agent = Architektur + Programm Architektur: Aufbau der Ein- und Ausgabegeräte sowie der Verarbeitungseinheiten des Agenten (Sensoren, Effektoren, Prozessor) Programm: Funktion, die die Abbildung der Wahrnehmungen auf Aktionen vornimmt

29 Lookup Agent function TABLE-DRIVEN-AGENT(percept) returns action static: percepts // a sequence, initially empty table, // a table, indexed by percept sequences, // initially fully specified append percept to the end of percepts action LOOKUP(percepts, table) return action Wahrnehmung x Aktion z x 1 z 1 x 2 z Problem: Vollständige Abbildung ist oft nicht möglich (z.b. wenn x nicht diskret) oder zu aufwendig (z.b. Schach: ca Positionen) und Lernen dauert dementsprechend zu lange Wissen ist zu statisch: Änderungen der Umwelt führen zu Fehlverhalten

30 Typen von Agenten Je nachdem, wie die Abbildung durchgeführt wird (Nutzung von Wissen), unterschiedliche Typen: einfacher, reagierender Agent: nutzt einfach Abbildung von Wahrnehmungen zu Aktionen reagierender Agent mit internen Zuständen: arbeitet mit Gedächtnis um den aktuellen Zustand der Welt besser zu bestimmen zielorientierter Agent: verwendet Wissen über wünschenswerte Zustände (zu erreichende Ziele), entscheidet, ob eine Aktion diesbezüglich sinnvoll ist nützlichkeitsbasierter Agent: gewichtet zusätzlich Zustände, um den Wert unterschiedlicher Aktionen zu beurteilen

31 Reagierender Agent Agent Sensoren Wie sieht die Welt jetzt aus? Bedingung-Aktions- Paar Welche Aktion soll ich jetzt ausführen? Umgebung Wissen Effektoren Handlungskette

32 Reagierender Agent function SIMPLE-REFLEX-AGENT(percept) returns action static: rules // a set of condition-action rules state INTERPRET-INPUT(percept) rule RULE-MATCH(state, rules) action RULE-ACTION[rule] return action

33 Reagierender Agent mit internen Zuständen Agent aktueller Zustand der Welt Sensoren Wie sieht die Welt jetzt aus? Fortentwicklungder Welt Auswirkungen von Aktionen Bedingung-Aktions- Paar Welche Aktion soll ich jetzt ausführen? Umgebung Wissen Effektoren Handlungskette

34 Reagierender Agent mit internen Zuständen function REFLEX-AGENT-WITH-STATE(percept) returns action static: state // a description of the current world state rules // a set of condition-action rules state UPDATE-STATE(state, percept) rule RULE-MATCH(state, rules) action RULE-ACTION[rule] state UPDATE-STATE(state, action) return action

35 Zielorientierter Agent Agent aktueller Zustand der Welt Sensoren Wie sieht die Welt jetzt aus? Fortentwicklungder Welt Auswirkungen von Aktionen Wie sieht die Welt aus, wenn ich Aktion A ausführe? Umgebung Ziele Wissen Welche Aktion soll ich jetzt ausführen? Effektoren Handlungskette

36 Nützlichkeitsbasierter Agent Agent aktueller Zustand der Welt Sensoren Wie sieht die Welt jetzt aus? Fortentwicklungder Welt Auswirkungen von Aktionen Nützlichkeit Wie sieht die Welt aus, wenn ich Aktion A ausführe? Wie glücklich werde ich damit sein? Welche Aktion soll ich jetzt ausführen? Umgebung Wissen Effektoren Handlungskette

37 Ausblick: Multiagentensysteme Agent design: Wie konstruieren wir Agenten, die unabhängig und autonom agieren, um die an sie delegierten Aufgaben zu erledigen? Society design: Wie konstruieren wir Agenten, die mit anderen Agenten interagieren, um ihre Aufgaben zu erfüllen, auch wenn manche dieser Agenten gegensätzliche Interessen haben und ihre eigenen (konkurrierenden) Ziele verfolgen?

38 Wirkmechanismen in MAS keine zentrale Steuerung bottom up: spezifische Fähigkeiten der Agenten führen zum gewünschten Interaktionsverhalten auf Gruppenebene (s.a. emergent behaviour). top down: spezifische Regeln auf Gruppenebene (wie Konventionen, Normen) bestimmen das Interaktionsrepertoire auf der Ebene einzelner Agenten.

39 Neue Aspekte bei MAS Kommunikation, Verhandlung und Vereinbarung: Sprachen und Protokolle Repräsentation von und Schlussfolgern über Wissen, Aktionen, und Pläne anderer Agenten sowie Interaktionsprozesse Vermeidung chaotischen Systemverhaltens Bildung und Auflösung von Organisationsstrukturen

40 Robo-Cup By the year 2050, develop a team of fully autonomous humanoid robots that can win against the human world soccer champion team.

41 nächste Vorlesung: Suchverfahren